Artificial Intelligence in Oral Squamous Cell Carcinoma Diagnosis: Exploring Deep Transfer Learning Strategies
Deze studie toont aan dat deep transfer learning, met name het gebruik van de EfficientNetB7- en ResNet50-modellen geoptimaliseerd met data-augmentatie en kruisvalidatie, een hoogprecisieclassificatie van histologische beelden van plaveiselcelcarcinoom van de mond bereikt, wat een veelbelovende oplossing biedt om de diagnostische nauwkeurigheid te verbeteren en variabiliteit tussen pathologen aan te pakken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van te zoeken naar vingerafdrukken of voetstappen, kijk je naar piepkleine, kleurrijke plaatjes van cellen onder een microscoop. Dit is de wereld van de pathologie, waar artsen weefselmonsters onderzoeken om te achterhalen of iemand kanker heeft. Een van de meest voorkomende en lastige kankersoorten om te vinden is Oraal Plaveiselcelcarcinoom (OSCC), een type kanker dat in de mond begint. Decennialang is de "gouden standaard" voor het oplossen van dit mysterie een menselijke patholoog geweest die naar een dia staart. Ze kijken naar aanwijzingen zoals hoe de cellen zijn gerangschikt of of ze er rommelig en chaotisch uitzien. Maar hier is het addertje onder het gras: mensen worden moe, hun ogen kunnen hen bedriegen, en twee verschillende detectives kunnen naar dezelfde foto kijken en het oneens zijn over wat ze zien. Dit is waar Kunstmatige Intelligentie (AI) in beeld komt. Denk aan AI als een superkrachtige assistent die miljoenen plaatjesboeken heeft gelezen en patronen kan herkennen die het menselijk oog misschien mist. De grote vraag die wetenschappers stellen is: kunnen we een computer leren om naar deze piepkleine celplaatjes te kijken en precies te vertellen wat voor soort kanker het is, en hoe gevaarlijk het is, beter en sneller dan een mens?
Deze studie is als een kookwedstrijd met hoge inzet, maar in plaats van chefs hebben we computermodellen, en in plaats van ingrediënten worden ze gevoed met microscopische afbeeldingen van mondweefsel. De onderzoekers wilden zien welke "chef" (of deep learning-model) deze afbeeldingen het beste kon sorteren in drie categorieën: gezond mondweefsel, laaggradige kanker (de langzame, minder gevaarlijke soort) en hooggradige kanker (de snelle, agressieve soort). Om de uitdaging eerlijk te maken, begonnen ze met een kleine stapel van 750 afbeeldingen. Omdat er niet genoeg foto's waren van de zeldzame "laaggradige" en "hooggradige" kankers om de computers goed te onderwijzen, gebruikten ze een slim trucje genaamd SMOTE. Stel je voor dat je slechts drie rode knikkers hebt en honderd blauwe; het zou moeilijk zijn om iemand te leren om rood te herkennen. SMOTE is als een magische fotokopieermachine die gloednieuwe, nep-maar-realistische rode knikkers maakt, zodat de computer voldoende oefening krijgt. Ze gebruikten ook "data augmentation", wat is als het nemen van een foto, het omdraaien, het lichter maken of het een beetje draaien, zodat de computer leert de kanker te herkennen, ongeacht hoe de foto wordt vastgehouden.
De onderzoekers testten zeven beroemde "chefs" (computermodellen) die al miljoenen alledaagse objecten zoals katten, auto's en appels hebben leren herkennen. Deze modellen waren ResNet50, InceptionV3, VGG16, EfficientNetB7, DenseNet121, Xception en MobileNet. Het idee was om deze slimme modellen te "fine-tunen", zoals het specialiseren van een generaal die al weet hoe hij oorlogen moet voeren, om nu te specialiseren in een specifiek type terrein. Dit deden ze door het grootste deel van het brein van het model te "bevriezen" (zodat het niet vergeet wat het al wist) en alleen de laatste paar lagen te laten leren van de nieuwe kankerfoto's. Ze probeerden verschillende strategieën, zoals het laten leren van 15 lagen of 30 lagen, om te zien wat het beste werkte.
De resultaten waren een duidelijke overwinning voor één speciff model: EfficientNetB7. Dit model was de ster van de show en kreeg in 99,2% van de gevallen het juiste antwoord. Het was als een detective die nooit een aanwijzing miste. De runner-up was ResNet50, die ook ongelooflijk betrouwbaar was met een succespercentage van 99,04%. Deze twee modellen bewezen dat computers, met de juiste training, extreem nauwkeurig kunnen zijn in het opsporen van deze specifieke kankergradaties. Echter, niet elk model was een winnaar. InceptionV3, dat heel chic klonk, presteerde eigenlijk het slechtst met 92,94%, en MobileNet, dat meestal geweldig is voor kleine apparaten, haalde slechts 95,2%. De studie suggereert dat hoewel de technologie ontzettend veelbelovend is, het "recept" er veel toe doet; sommige modellen kunnen de specifieke details van deze celafbeeldingen simpelweg beter aan dan andere.
De auteurs merken voorzichtig op dat hoewel deze cijfers geweldig zijn, de modellen nog steeds getest moeten worden in de echte wereld met meer diverse data. Ze wijzen ook op een beperking: deze AI-systemen zijn als "black boxes". Ze kunnen je het antwoord geven met een hoog vertrouwen, maar ze kunnen niet altijd uitleggen waarom ze denken dat een cel gevaarlijk is, wat iets is dat menselijke artsen moeten begrijpen voordat ze beslissingen nemen over leven of dood. Uiteindelijk suggereert dit paper dat AI, in het bijzonder modellen zoals EfficientNetB7 en ResNet50, een krachtige sidekick voor pathologen kan worden, waarbij ze helpen bij het diagnosticeren van mondkanker met een bovenmenselijke snelheid en nauwkeurigheid, maar het is nog niet de vervanging van de menselijke expert.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.